Mapping Complex Landslide Scars Using Deep Learning and High-Resolution Topographic Derivatives from LiDAR Data in Quebec, Canada
Notice bibliographique
Résumé
This study evaluates deep learning (DL) models, particularly ResU-Net with attention mechanisms, for mapping landslides in Quebec, Canada, utilizing high-resolution digital elevation model (HRDEM) data and its seven derivatives (slope, aspect, hillshade, curvature, ruggedness, surface area ratio, and max difference from mean). Three scenarios were considered to assess the effectiveness of various features in landslide segmentation: training the model on all features, each feature individually, and on slope and hillshade. Model performance on individual features was significantly poor, while the model trained with hillshade and slope outperformed the model using all seven features, particularly in F1-score (improved by 8% for rotational landslides and 11% for retrogressive landslides) during validation. Furthermore, for the test dataset, model performance on all seven features was compared against slope and hillshade. As a result, for rotational landslides, slope and hillshade achieved F1-scores of 0.68 and 0.93 for rotational and retrogressive landslides, respectively, while the same metrics using all features were 0.61 and 0.83, respectively. This suggests hillshade and slope provide the most relevant information and reduce computational complexity. Overall, the findings enhance our understanding of HRDEM derivatives and emphasize the importance of feature selection in optimizing model performance and reducing computational complexity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».